arXiv cs.AI· Xiangqing Lu, Tao Zhu, Mingxing Nie, Liming Chen·· 3 天前AI 评分23
CHEAR：面向低成本人类活动识别的混淆层级证据感知推理
CHEAR: Confusion-Hierarchy Evidence-Aware Reasoning for Cost-Efficient Human Activity Recognition
AI 导读
针对 LLM 结合 RAG 做可穿戴传感器人类活动识别时在线推理候选与知识开销随活动词表增长的问题，研究者提出 CHEAR，将知识组织部分转移到离线：从跨受试者反复出现的检索错误中构建并验证活动层级，并建立活动对知识。
正文 · AI 翻译
摘要：大语言模型（LLM）为基于可穿戴传感器的人类活动识别提供了一种新方法。检索增强生成（RAG）进一步引入了相似的运动示例和具有判别力的传感器知识，使决策能够基于与当前查询相关的观察结果。然而，更多的证据并不一定意味着组织得更好的证据。当在线提示和 LLM 智能体主要编排推理时，关于比较哪些活动以及何时调用判别性知识的决策仍然集中在推理阶段。随着活动词汇量的增长，模型必须反复处理更多的候选活动及相关知识，而过早剪枝候选活动又有可能排除真实活动。我们提出了混淆层级证据感知推理（CHEAR），它将部分知识组织工作转移到离线阶段。CHEAR 从反复出现的跨受试者检索错误中构建并验证活动层级结构，并构建相应的活动对知识。在推理阶段，该层级结构对候选比较进行排序；LLM 逐步保留候选活动，仅对剩余活动访问局部判别性知识。在八个数据集上，CHEAR 实现了 86.79\% 的平均跨受试者准确率、75.91\% 的候选缩减率和 96.44\% 的真实活动保留率。与没有层级结构的变体相比，每样本 token 使用量平均降低 85.15\%。在八个跨数据集迁移方向上的平均准确率为 88.81\%。这些结果表明，围绕观察到的活动混淆来组织候选活动和判别性知识，可以在保持识别性能的同时减少在线 LLM 输入。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.15298 [cs.AI] |
| （或 arXiv:2610.15298v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15298 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：XiangQing Lu [查看电子邮件]
[v1]
2026年10月11日星期日 03:06:40 UTC（946 KB）
来源：arXiv cs.AI · arxiv.org